《获取石油套管厚度的数据处理方法.pdf》由会员分享，可在线阅读，更多相关《获取石油套管厚度的数据处理方法.pdf（22页珍藏版）》请在专利查询网上搜索。
1、10申请公布号CN104166805A43申请公布日20141126CN104166805A21申请号201410413005722申请日20140820G06F19/00201101G06N3/02200601E21B47/0020120171申请人西安工程大学地址710048陕西省西安市碑林区金花南路19号72发明人钱慧芳罗卉74专利代理机构西安弘理专利事务所61214代理人罗笛54发明名称获取石油套管厚度的数据处理方法57摘要本发明公开了一种获取石油套管厚度的数据处理方法，具体按照以下步骤实施首先，用测井仪器采集测井数据，并将测得的连续的每5个测井数据作为一组，找出每一组数据中的最大值A。
2、J；取J1,2,3,4,5，即把A1A5作为第1包数据，求出第1包数据的平均值MEAN1并代替A1A5，之后对J6时的其余数据做均值处理；然后再根据处理后的数据AJ生成辅助数据BJ；通过对比AJ与BJ，找出AJ的拐点CJ；根据拐点CJ，得到套管厚度相对值DJ；最后，构建并训练神经网络，泛化神经网络后对数据进行处理，得到套管实际厚度值EJ。本发明解决了现有方法中存在效率低、精度低的问题。51INTCL权利要求书5页说明书11页附图5页19中华人民共和国国家知识产权局12发明专利申请权利要求书5页说明书11页附图5页10申请公布号CN104166805ACN104166805A1/5页21获取石油。
3、套管厚度的数据处理方法，其特征在于，具体按照以下步骤实施步骤1用测井仪器采集测井数据；步骤2将步骤1中测得的连续的每5个测井数据作为一组，找出每一组数据中的最大值AJJ1,2,3J；步骤3取J1,2,3,4,5，即把A1A5作为第1包数据，求出第1包数据的平均值MEAN1并代替A1A5；步骤4对J6时的其余数据做均值处理；步骤5根据步骤4处理后的数据AJJ1,2,3J生成辅助数据BJJ1,2,3J；步骤6通过对比AJ与BJ，找出AJ的拐点CJ，即，若AJBJ，则CJAJ；否则，CJ0；步骤7根据拐点CJ，得到套管厚度相对值DJ；步骤8构建并训练神经网络；步骤9泛化神经网络，将不同于训练时的样本。
4、输入到已经训练好的神经网络中，计算神经网络的输出值与样本对应的实际套管厚度值之间误差，判断该误差是否满足实际误差的要求，若满足要求，则转入步骤10，否则转步骤8重新进行神经网络的构建及训练；步骤10利用步骤8构建和训练的神经网络对数据进行处理，得到套管实际厚度值EJ。2根据权利要求1所述的获取石油套管厚度的数据处理方法，其特征在于，所述的步骤4具体按照以下步骤实施步骤41将AJAJN1数据作为第I包数据，并求出第I包数据的平均值MEANI；其中，I2,3I；N5、3、1，且设N的初值为5；步骤42求出这相邻两包数据平均值MEANI和MEANI1的变化率RATEI0RATE1；求两包数据平均值的。
5、变化率公式为其中，ABS为取绝对值函数，MEANI为第I包数据的平均值，MEANI1为第I包数据的平均值；步骤43判断变化率RATEI是否小于等于设定值RATE，若RATEI小于等于RATE，则用第I包数据中的N个最大值的平均值代替第I包数据中的N个最大值，然后转步骤44；若RATEI大于设定值RATE，令NN2，判断N是否等于1，若N等于1则转入步骤44，若N大于1则转入步骤41重新计算MEANI，步骤44令II1，判断I是否小于I，满足此条件则返回步骤41继续计算；若II转入步骤5。3根据权利要求2所述的获取石油套管厚度的数据处理方法，其特征在于，所述的步骤5具体按照以下步骤实施步骤51求。
6、AR8AR8R9,10,11,J中的最大值MMAX和最小值MMIN；步骤52用AR8AR8中每一个数据分别与最大值MMAX和最小值MMIN比较，如果该数据与最大值MMAX或最小值MMIN相等，则BJAJ，；如果该数据既不与最大值MMAX相等也不与最小值MMIN相等，则BJ0，权利要求书CN104166805A2/5页3步骤53令RR1，判断R是否小于等于J8，满足此条件则返回步骤51继续计算；若R大于J8转入步骤6。4根据权利要求3所述的获取石油套管厚度的数据处理方法，其特征在于，所述的步骤7具体按照以下步骤实施步骤71令T2，D1A1；步骤72判断CT是否等于AT，若CTAT，则DTAT；否。
7、则，DTDT1；步骤73令TT1，判断T是否小于等于J，满足此条件则返回步骤72继续计算；否则转入步骤74；步骤74对DT取绝对值得到套管厚度相对值DJ。5根据权利要求4所述的获取石油套管厚度的数据处理方法，其特征在于，所述的步骤8具体按照以下步骤实施步骤81，构建神经网络，定义神经网络中的各部分变量和函数其中各层的输入向量和输出向量为输入层输入向量XX1,X2,L,XL隐含层输入向量HIHI1,HI2,L,HIP隐含层输出向量HOHO1,HO2,L,HOP输出层输入向量YIYI1,YI2,L,YIQ输出层输出向量YOYO1,YO2,L,YOQ期望输出向量DODO1,DO2,L,DOQ其中，输。
8、入层与中间层的连接权值WSHS1,2,L,LH1,2,L,P隐含层与输出层的连接权值WHOH1,2,L,PO1,2,L,Q隐含层各神经元的阈值HH1,2,L,P输出层各神经元的阈值OO1,2,L,Q样本数据个数K1,2,LK，其中，K表示样本个数；其中，L表示输入层神经元数，P表示隐含层神经元数，Q表示输出层神经元数；隐含层采用激活函数是F1NETNET1输出层采用激活函数是误差函数步骤82，神经网络初始化，给输入层与中间层的连接权值WSH、隐含层与输出层的连接权值WHO、隐含层各神经元的阈值H、输出层各神经元的阈值O分别赋一个位于区间1，1内的随机数，给定计算精度值00001，最大训练次数Z。
9、1000和学习速率08；步骤83，输入用于训练的样本，计算出输出层的输出值，进行训练的样本是已知实际厚度值的套管的厚度相对值，权利要求书CN104166805A3/5页4具体按照以下步骤实施步骤831，随机选取第K个输入样本，XKX1K,X2K,L,XLK，其期望输出为DOKDO1K,DO2K,L,DOQK；此处的期望输出为输入样本所对应的套管实际厚度值，步骤832，计算隐含层各神经元的输入和输出，隐含层各神经元的输入为其中，H1,2,L,P；4隐含层各神经元的输出为HOHKF1HIHKH1,2,L,P；5步骤833，计算输出层各神经元的输入和输出，输出层各神经元的输入为，输出层各神经元的输出。
10、为YOOKF2YIOKO1,2,LQ；7步骤84，计算全局误差，并判断其精度是否符合要求步骤841利用步骤83中的期望输出DOK和实际输出YOOK之间的差值，求出全局误差，步骤842，判断步骤841中计算出的神经网络的全局误差是否满足要求，若全局误差未达到预设精度00001且训练次数小于设定的最大次数1000，则转步骤85进行修正，若全局误差达到预设精度00001或学习次数大于设定的最大次数1000，则转步骤9；步骤85，根据网络期望输出DOK和实际输出YOK进行计算，对输入层与中间层的连接权值WSH、隐含层与输出层的连接权值WHO、隐含层各神经元的阈值H、输出层各神经元的阈值O进行修正，具体。
11、按照以下步骤实施步骤851，利用误差函数E，计算输出层到隐含层的连接权值调整量WHO；因为若将定义为OK，即权利要求书CN104166805A4/5页5则9式化简为WHOOKHOHK12步骤852，利用误差函数E，计算隐含层到输入层的连接权值调整量WLH；因为若将定义为HK，即则公式13化简为WSHHKXSK16步骤853，利用误差函数E，计算输出层各神经元的阈值调整量O；步骤854，利用误差函数E，计算隐含层各神经元的阈值调整量H；步骤854，利用输出层各神经元的OK和隐含层各神经元的输出HOHK来修正连接权值WHOK；则修正后得，其中ZZ1,2,3,Z是训练次数；步骤855利用隐含层各神经。
12、元的HK和输入层各神经元的输入XSK修正连接权值WSHK；则修正后得，步骤856修正隐含层各神经元的阈值H和输出层各神经元的阈值O；则修正后得，HZ1HH21OZ1OO22利用修正后的HZ1和OZ1返回步骤83进行再次训练，其中修正后的与OZ1和与HZ1分别对应于步骤83中的公式6中的WHO与和O公式4中WSH与H。6根据权利要求5所述的获取石油套管厚度的数据处理方法，其特征在于，所述的步权利要求书CN104166805A5/5页6骤10具体按照以下步骤实施步骤101，将步骤7得出的套管厚度相对值DJ做为输入值输入到步骤9进行泛化后得到的神经网络中，利用公式4求出隐含层输入向量HIHJ；步骤1。
13、02将步骤101中得到的隐含层的输入向量HIHJ代入隐含层输出向量公式5HOHJF1HIHJH1,2,L,P中，求出隐含层输出向量HOHJ；步骤103将HOHJ代入输出层的输入向量公式6求出输出层的输入向量YIOJ；步骤104将YIOJ代入输出层输出向量公式YOOJF2YIOJO1,2,LQ，求出输出层输出向量YOOJ，即套管实际厚度值EJ。权利要求书CN104166805A1/11页7获取石油套管厚度的数据处理方法技术领域0001本发明属于信息数据处理技术领域，涉及一种数据信息处理方法，具体涉及一种获取石油套管厚度的数据处理方法。背景技术0002石油测井是石油开采作业中必不可少的环节，它贯穿。
14、于整个石油开采作业环节中。测井数据是由测井仪器的数据采集模块采集的测井参数曲线上的数据。测井曲线的极值点表征了所需测得井下参数的大小。为了实现井下参数的特征提取，需要提取测井数据波形幅值。0003目前能够用来提取数据离散波形幅值的方法主要是通过拟合曲线法而后求取极大值的方法。其中最常用的是多项式曲线拟合法。然而当数据点较多时,多项式阶数太低,拟合精度和效果不太理想，要提高拟合精度和效果就需要提高拟合多项式的阶数,但阶数太高又会带来计算上的复杂性及其他方面的不利。因此,如果只采用一个多项式曲线函数拟合较多的数据点,难以取得较好的拟合精度和效果。为有效地解决上述问题,一般采用分段曲线拟合。但因测井。
15、数据量大、要求精度高，分段拟合曲线法需将数据点分很多段才能满足精度要求，因而存在工作量大、效率低等缺点，而后求取多项式的极大值又增加了数据计算量，降低了效率。发明内容0004本发明的目的是提供一种获取石油套管厚度的数据处理方法，采用对数据的极大值的均值处理方法，解决了现有提取数据波形幅值的方法中存在效率低、精度低的问题。0005本发明所采用的技术方案是，获取石油套管厚度的数据处理方法，具体按照以下步骤实施0006步骤1用测井仪器采集测井数据；0007步骤2将步骤1中测得的连续的每5个测井数据作为一组，找出每一组数据中的最大值AJJ1,2,3J；0008步骤3取J1,2,3,4,5，即把A1A5。
16、作为第1包数据，求出第1包数据的平均值MEAN1并代替A1A5；0009步骤4对J6时的其余数据做均值处理；0010步骤5根据步骤4处理后的数据AJJ1,2,3J生成辅助数据BJJ1,2,3J；0011步骤6通过对比AJ与BJ，找出AJ的拐点CJ，即，若AJBJ，则CJAJ；否则，CJ0；0012步骤7根据拐点CJ，得到套管厚度相对值DJ；0013步骤8构建并训练神经网络；0014步骤9泛化神经网络，将不同于训练时的样本输入到已经训练好的神经网络中，说明书CN104166805A2/11页8计算神经网络的输出值与样本对应的实际套管厚度值之间误差，判断该误差是否满足实际误差的要求，若满足要求，则。
17、转入步骤10，否则转步骤8重新进行神经网络的构建及训练；0015步骤10利用步骤8构建和训练的神经网络对数据进行处理，得到套管实际厚度值EJ。0016本发明的特点还在于，0017其中，步骤4具体按照以下步骤实施0018步骤41将AJAJN1数据作为第I包数据，并求出第I包数据的平均值MEANI；其中，I2,3I；N5、3、1，且设N的初值为5；0019步骤42求出这相邻两包数据平均值MEANI和MEANI1的变化率RATEI0RATE1；求两包数据平均值的变化率公式为00200021其中，ABS为取绝对值函数，MEANI为第I包数据的平均值，MEANI1为第I包数据的平均值；0022步骤43判。
18、断变化率RATEI是否小于等于设定值RATE，0023若RATEI小于等于RATE，则用第I包数据中的N个最大值的平均值代替第I包数据中的N个最大值，然后转步骤44；0024若RATEI大于设定值RATE，令NN2，判断N是否等于1，若N等于1则转入步骤44，若N大于1则转入步骤41重新计算MEANI，0025步骤44令II1，判断I是否小于I，满足此条件则返回步骤41继续计算；若II转入步骤5。0026步骤5具体按照以下步骤实施0027步骤51求AR8AR8R9,10,11,J中的最大值MMAX和最小值MMIN；0028步骤52用AR8AR8中每一个数据分别与最大值MMAX和最小值MMIN比。
19、较，如果该数据与最大值MMAX或最小值MMIN相等，则BJAJ，；如果该数据既不与最大值MMAX相等也不与最小值MMIN相等，则BJ0，0029步骤53令RR1，判断R是否小于等于J8，满足此条件则返回步骤51继续计算；若R大于J8转入步骤6。0030步骤7具体按照以下步骤实施0031步骤71令T2，D1A1；0032步骤72判断CT是否等于AT，若CTAT，则DTAT；否则，DTDT1；0033步骤73令TT1，判断T是否小于等于J，满足此条件则返回步骤72继续计算；否则转入步骤74；0034步骤74对DT取绝对值得到套管厚度相对值DJ。0035其中，步骤8具体按照以下步骤实施0036步骤8。
20、1，构建神经网络，定义神经网络中的各部分变量和函数0037其中各层的输入向量和输出向量为0038输入层输入向量XX1,X2,L,XL说明书CN104166805A3/11页90039隐含层输入向量HIHI1,HI2,L,HIP0040隐含层输出向量HOHO1,HO2,L,HOP0041输出层输入向量YIYI1,YI2,L,YIQ0042输出层输出向量YOYO1,YO2,L,YOQ0043期望输出向量DODO1,DO2,L,DOQ0044其中，0045输入层与中间层的连接权值WSHS1,2,L,LH1,2,L,P0046隐含层与输出层的连接权值WHOH1,2,L,PO1,2,L,Q0047隐含层。
21、各神经元的阈值HH1,2,L,P0048输出层各神经元的阈值OO1,2,L,Q0049样本数据个数K1,2,LK，其中，K表示样本个数；0050其中，L表示输入层神经元数，0051P表示隐含层神经元数，0052Q表示输出层神经元数；0053隐含层采用激活函数是F1NETNET10054输出层采用激活函数是0055误差函数0056步骤82，神经网络初始化，0057给输入层与中间层的连接权值WSH、隐含层与输出层的连接权值WHO、隐含层各神经元的阈值H、输出层各神经元的阈值O分别赋一个位于区间1，1内的随机数，给定计算精度值00001，最大训练次数Z1000和学习速率08；0058步骤83，输入用。
22、于训练的样本，计算出输出层的输出值，进行训练的样本是已知实际厚度值的套管的厚度相对值，0059具体按照以下步骤实施0060步骤831，随机选取第K个输入样本，0061XKX1K,X2K,L,XLK，0062其期望输出为0063DOKDO1K,DO2K,L,DOQK；此处的期望输出为输入样本所对应的套管实际厚度值，0064步骤832，计算隐含层各神经元的输入和输出，0065隐含层各神经元的输入为0066其中，H1,2,L,P；40067隐含层各神经元的输出为0068HOHKF1HIHKH1,2,L,P；50069步骤833，计算输出层各神经元的输入和输出，说明书CN104166805A4/11页。
23、100070输出层各神经元的输入为，00710072输出层各神经元的输出为0073YOOKF2YIOKO1,2,LQ；70074步骤84，计算全局误差，并判断其精度是否符合要求0075步骤841利用步骤83中的期望输出DOK和实际输出YOOK之间的差值，求出全局误差，0076步骤842，判断步骤841中计算出的神经网络的全局误差是否满足要求，若全局误差未达到预设精度00001且训练次数小于设定的最大次数1000，则转步骤85进行修正，若全局误差达到预设精度00001或学习次数大于设定的最大次数1000，则转步骤9；0077步骤85，根据网络期望输出DOK和实际输出YOK进行计算，对输入层与中间。
24、层的连接权值WSH、隐含层与输出层的连接权值WHO、隐含层各神经元的阈值H、输出层各神经元的阈值O进行修正，0078具体按照以下步骤实施0079步骤851，利用误差函数E，计算输出层到隐含层的连接权值调整量WHO；00800081因为00820083若将定义为OK，即0084则9式化简为0085WHOOKHOHK120086步骤852，利用误差函数E，计算隐含层到输入层的连接权值调整量WLH；00870088因为00890090若将定义为HK，即0091则公式13化简为说明书CN104166805A105/11页110092WSHHKXSK160093步骤853，利用误差函数E，计算输出层各神。
25、经元的阈值调整量O；00940095步骤854，利用误差函数E，计算隐含层各神经元的阈值调整量H；00960097步骤854，利用输出层各神经元的OK和隐含层各神经元的输出HOHK来修正连接权值WHOK；0098则修正后得，00990100其中ZZ1,2,3,Z是训练次数；0101步骤855利用隐含层各神经元的HK和输入层各神经元的输入XSK修正连接权值WSHK；0102则修正后得，01030104步骤856修正隐含层各神经元的阈值H和输出层各神经元的阈值O；0105则修正后得，0106HZ1HH210107OZ1OO220108利用修正后的HZ1和OZ1返回步骤83进行再次训练，其中修正后的。
26、与OZ1和与HZ1分别对应于步骤83中的公式6中的WHO与和O公式4中WSH与H。0109步骤10具体按照以下步骤实施0110步骤101，将步骤7得出的套管厚度相对值DJ做为输入值输入到步骤9进行泛化后得到的神经网络中，利用公式4求出隐含层输入向量HIHJ；0111步骤102将步骤101中得到的隐含层的输入向量HIHJ代入隐含层输出向量公式5HOHJF1HIHJH1,2,L,P中，0112求出隐含层输出向量HOHJ；0113步骤103将HOHJ代入输出层的输入向量公式601140115求出输出层的输入向量YIOJ；0116步骤104将YIOJ代入输出层输出向量公式0117YOOJF2YIOJO。
27、1,2,LQ，0118求出输出层输出向量YOOJ，即套管实际厚度值EJ。0119本发明的有益效果是，本发明方法不需要将数据点拟合为多项式而后求得极值说明书CN104166805A116/11页12点，直接由原始数据提取数据波形幅值，不仅执行效率高，而且不受数据个数的影响；根据数据变化率用平均值代替极大值的处理方法，可以去除毛刺干扰，提高精度。因此本发明方法具有处理数据效率更高、精度更高、工程实现更简单的优点。附图说明0120图1是本发明获取石油套管厚度的数据处理方法的流程图；0121图2是本发明获取石油套管厚度的数据处理方法中步骤1中测井数据连接成的波形细节图；0122图3是本发明获取石油套管。
28、厚度的数据处理方法中得到的步骤3和步骤4中离散数据波形幅值的最值离散包络线图；0123图4是实际中测得的石油套管接箍处的厚度测井曲线图；0124图5是本发明获取石油套管厚度的数据处理方法中通过步骤7得到的石油套管接箍处厚度相对变化曲线图；0125图6是本发明获取石油套管厚度的数据处理方法中利用神经网络进行数据处理的流程图0126图7是本发明获取石油套管厚度的数据处理方法中BP神经网络泛化输出与期望输出数据折线图；0127图8是本发明获取石油套管厚度的数据处理方法中BP神经网络泛化输出与期望输出的误差值折线图；0128图9是本发明获取石油套管厚度的数据处理方法中接箍处套管壁厚度示意图。具体实施方。
29、式0129下面结合附图和具体实施方式对本发明进行详细说明。0130本发明获取石油套管厚度的数据处理方法，如图1所示，具体按照以下步骤实施0131步骤1用测井仪器采集测井数据；0132步骤2将步骤1中测得的连续的每5个测井数据作为一组，找出每一组数据中的最大值AJJ1,2,3J；0133步骤3取J1,2,3,4,5，即把A1A5作为第1包数据，求出第1包数据的平均值MEAN1并代替A1A5；0134步骤4对J6时的其余数据做均值处理0135步骤41将AJAJN1N5、3、1数据作为第II2,3I包数据，并求出第I包数据的平均值MEANI；设N的初值为5；0136步骤42求出这相邻两包数据平均值M。
30、EANI和MEANI1的变化率RATEI0RATE1；求两包数据平均值的变化率公式为01370138其中，ABS为取绝对值函数，MEANI为第I包数据的平均值，MEANI1为第I包数据的平均值；0139步骤43判断变化率RATEI是否小于等于设定值RATE，说明书CN104166805A127/11页130140若RATEI小于等于RATE，则用第I包数据中的N个最大值的平均值代替第I包数据中的N个最大值,然后转步骤44；0141若RATEI大于设定值RATE，令NN2，判断N是否等于1，若N等于1则转入步骤44，若N大于1则转入步骤41重新计算MEANI。0142步骤44令II1，判断I是否。
31、小于I，满足此条件则返回步骤41继续计算；若II转入步骤5。0143步骤5根据步骤4处理后的数据AJJ1,2,3J生成辅助数据BJJ1,2,3J，0144具体按照以下步骤实施0145步骤51求AR8AR8R9,10,11,J中的最大值MMAX和最小值MMIN。0146步骤52用AR8AR8中每一个数据分别与最大值MMAX和最小值MMIN比较，如果该数据与最大值MMAX或最小值MMIN相等，则BJAJ，；如果该数据既不与最大值MMAX相等也不与最小值MMIN相等，则BJ0。0147步骤53令RR1，判断R是否小于等于J8，满足此条件则返回步骤51继续计算；若R大于J8转入步骤6。0148步骤6找。
32、出AJ的拐点CJ。若AJBJ，则CJAJ；否则，CJ0。0149步骤7根据拐点CJ，得到套管厚度相对值DJ。0150具体按照以下步骤实施0151步骤71令T2，D1A1；0152步骤72判断CT是否等于AT，若CTAT，则DTAT；否则，DTDT1。0153步骤73令TT1，判断T是否小于等于J，满足此条件则返回步骤72继续计算；否则转入步骤74。0154步骤74对DT取绝对值得到套管厚度相对值DJ。0155步骤8构建并训练神经网络，如图6所示，具体按照以下步骤实施0156步骤81，构建神经网络，定义神经网络中的各部分变量和函数0157其中各层的输入向量和输出向量为0158输入层输入向量XX1。
33、,X2,L,XL0159隐含层输入向量HIHI1,HI2,L,HIP0160隐含层输出向量HOHO1,HO2,L,HOP0161输出层输入向量YIYI1,YI2,L,YIQ0162输出层输出向量YOYO1,YO2,L,YOQ0163期望输出向量DODO1,DO2,L,DOQ0164其中，0165输入层与中间层的连接权值WSHS1,2,L,LH1,2,L,P0166隐含层与输出层的连接权值WHOH1,2,L,PO1,2,L,Q0167隐含层各神经元的阈值HH1,2,L,P0168输出层各神经元的阈值OO1,2,L,Q0169样本数据个数K1,2,LK，其中，K表示样本个数；0170其中，L表示输。
34、入层神经元数，说明书CN104166805A138/11页140171P表示隐含层神经元数，0172Q表示输出层神经元数。0173隐含层采用激活函数是F1NETNET10174输出层采用激活函数是0175误差函数0176步骤82，神经网络初始化，0177给输入层与中间层的连接权值WSH、隐含层与输出层的连接权值WHO、隐含层各神经元的阈值H、输出层各神经元的阈值O分别赋一个位于区间1，1内的随机数，给定计算精度值00001，最大训练次数Z1000和学习速率08；0178步骤83，输入用于训练的样本，计算出输出层的输出值，进行训练的样本是已知实际厚度值的套管的厚度相对值，0179具体按照以下步骤。
35、实施0180步骤831，随机选取第K个输入样本，0181XKX1K,X2K,L,XLK，0182其期望输出为0183DOKDO1K,DO2K,L,DOQK；此处的期望输出为输入样本所对应的套管实际厚度值，0184步骤832，计算隐含层各神经元的输入和输出，0185隐含层各神经元的输入为0186其中，H1,2,L,P；40187隐含层各神经元的输出为0188HOHKF1HIHKH1,2,L,P；50189步骤833，计算输出层各神经元的输入和输出，0190输出层各神经元的输入为，01910192输出层各神经元的输出为0193YOOKF2YIOKO1,2,LQ；70194步骤84，计算全局误差，并。
36、判断其精度是否符合要求0195步骤841利用步骤83中的期望输出DOK和实际输出YOOK之间的差值，求出全局误差，0196步骤842，判断步骤841中计算出的神经网络的全局误差是否满足要求，若全局误差未达到预设精度00001且训练次数小于设定的最大次数1000，则转步骤85进行修正，若全局误差达到预设精度00001或学习次数大于设定的最大次数1000，则转步骤9。说明书CN104166805A149/11页150197步骤85，根据网络期望输出DOK和实际输出YOK进行计算，对输入层与中间层的连接权值WSH、隐含层与输出层的连接权值WHO、隐含层各神经元的阈值H、输出层各神经元的阈值O进行修正。
37、，0198具体按照以下步骤实施0199步骤851，利用误差函数E，计算输出层到隐含层的连接权值调整量WHO。02000201因为02020203若将定义为OK，即0204则公式9化简为0205WHOOKHOHK120206步骤852，利用误差函数E，计算隐含层到输入层的连接权值调整量WLH。02070208因为02090210若将定义为HK，即0211则公式13化简为0212WSHHKXSK160213步骤853，利用误差函数E，计算输出层各神经元的阈值调整量O。02140215步骤854，利用误差函数E，计算隐含层各神经元的阈值调整量H。02160217步骤854，利用输出层各神经元的OK和。
38、隐含层各神经元的输出HOHK来修正连接权值WHOK；0218则修正后得，02190220其中ZZ1,2,3,Z是训练次数；说明书CN104166805A1510/11页160221步骤855利用隐含层各神经元的HK和输入层各神经元的输入XSK修正连接权值WSHK；0222则修正后得，02230224步骤856修正隐含层各神经元的阈值H和输出层各神经元的阈值O。0225则修正后得，0226HZ1HH210227OZ1OO220228利用修正后的HZ1和OZ1返回步骤83进行再次训练，其中修正后的与OZ1和与HZ1分别对应于步骤83中的公式6中的WHO与和O公式4中WSH与H。0229步骤9泛化神。
39、经网络，将不同于训练时的样本输入到已经训练好的神经网络中，计算神经网络的输出值与样本对应的实际套管厚度值之间误差，判断该误差是否满足实际误差的要求075MM，小于套管厚度的10，若满足要求，则转入步骤10，否则转步骤8重新进行神经网络的构建及训练。0230步骤10利用步骤8构建和训练的神经网络对数据进行处理，得到套管实际厚度值EJ，具体按照以下步骤实施0231步骤101，将步骤7得出的套管厚度相对值DJ做为输入值输入到步骤9进行泛化后得到的神经网络中，利用公式4求出隐含层输入向量HIHJ；0232步骤102将步骤101中得到的隐含层的输入向量HIHJ代入隐含层输出向量公式5HOHJF1HIHJ。
40、H1,2,L,P中，0233求出隐含层输出向量HOHJ；0234步骤103将HOHJ代入输出层的输入向量公式602350236求出输出层的输入向量YIOJ；0237步骤104将YIOJ代入输出层输出向量公式0238YOOJF2YIOJO1,2,LQ0239求出输出层输出向量YOOJ，即套管实际厚度值EJ。0240步骤1采集数据时，使用的是新型双远场电磁聚焦测厚仪，测得的数据如图2测井数据连接成的波形细节图所示，其中的数据点就是本发明方法中步骤1中采用的数据。测井数据是由测井仪器的数据采集模块采集的测井参数曲线上的数据。由于数据的远距离传输，要求描述井下各物理参数的信息数据传输地应尽量快、少，并。
41、且准确。本实验数据是用在石油套管接箍处的厚度曲线上一个测量周期内采样的5个数据点组成的测井数据，每一点的幅值代表该时刻下的套管厚度。0241图3是步骤3和步骤4得到的离散数据波形幅值的最值离散包络线图，其中标志点表示数据点；图4是石油套管接箍处的厚度测井曲线图，测井曲线是通过测井仪器深入地下上千米过程中测得井下各物理参数的曲线；通过对比图3与图4可知，两图具有相同的说明书CN104166805A1611/11页17幅值轮廓，表明本发明方法能够较准确的提取厚度测井曲线上的幅值。0242图5是步骤7得到的石油套管接箍处厚度相对变化曲线图。0243图7是BP神经网络泛化输出与期望输出。图中BP神经网。
42、络泛化输出与期望输出的误差如图8所示。从图中知，其最大误差为03368MM，完全满足工程需求。0244图9是接箍处套管壁厚度示意图。接箍处实际套管壁厚度从左至右依次为75MM、1775MM、1025MM、1775MM、75MM。在图5图中字母A、B、C、D、E所指曲线厚度依次表征了接箍处实际套管壁厚度75MM、1775MM、1025MM、1775MM、75MM。通过处理结果图与示意图对比知，本发明方法处理的结果符合套管壁实际厚度变化曲线。0245本发明方法，不需要将数据点拟合为多项式而后求得极值点，直接由原始数据提取数据波形幅值，不仅执行效率高、精度高，而且不受数据个数的影响。因此，可以快速准确地从大量测井数据中获得石油套管厚度。说明书CN104166805A171/5页18图1说明书附图CN104166805A182/5页19图2图3说明书附图CN104166805A193/5页20图4图5说明书附图CN104166805A204/5页21图6图7说明书附图CN104166805A215/5页22图8图9说明书附图CN104166805A22。